MADE：クローズドループ材料発見のためのベンチマーク環境

TL;DR（結論）

従来の材料探索ベンチマークは静的な予測や個別の計算タスクの評価に留まっており、実際の科学的発見が持つ反復的かつ適応的な性質を十分に捉えられていないという課題がありました。本研究では、自律的な材料探索パイプラインをエンドツーエンドで評価するための新しいフレームワークであるMADE（MAterials Discovery Environments）を提案し、限られた予算内での逐次的な探索をシミュレートします。実験の結果、化学的な複雑さが増すにつれて、大規模言語モデルを活用したエージェントや適応的な探索アルゴリズムが、ランダムな探索手法と比較して探索効率を大幅に向上させることが確認されました。

なぜこの問題か

現代の材料科学において、新しい材料の発見は社会的な課題を解決するために極めて重要ですが、そのプロセスは本質的に反復的で適応的なものです。研究者は仮説を立て、実験やシミュレーションを行い、その結果に基づいて考えを洗練させていきます。失敗から学び、新しい証拠が現れるたびに戦略を適応させることが不可欠です。しかし、既存の計算材料探索のベンチマークの多くは、このようなクローズドループ（閉ループ）の性質を無視し、一方向のプロセスを前提としています。 具体的には、既存の予測ベンチマークは、固定されたデータセットを使用してバンドギャップやエネルギー、力などの特性を予測する精度の評価に焦点を当てています。また、生成モデルの評価においても、一度に大量の候補を生成する際の安定性や新規性、ユニークさを測定するにとどまっています。これらはパイプラインの構成要素を評価する上では価値がありますが、モデルを孤立した状態で評価しており、全体的な探索ワークフローから切り離されています。 実際の探索現場では、高精度なシミュレーションや物理的な実験には多大なコストがかかります。そのため、限られたクエリ予算の下でいかに効率的に探索を行うかが重要となります。…

核心：何を提案したのか

本研究では、クローズドループの材料探索パイプラインを評価するための環境群であるMADE（MAterials Discovery Environments）を提案しました。MADEは、エージェントやアルゴリズムが逐次的に候補構造を提案し、環境からのフィードバックを受け取り、限られたクエリ予算内で新しい熱力学的に安定な化合物を効率的に発見するために戦略を調整するプロセスをシミュレートします。 MADEの最大の特徴は、そのモジュール性と構成の柔軟性にあります。ユーザーは、プランナー（計画器）、ジェネレーター（生成器）、フィルター（濾過器）、スコアラー（評価器）といった交換可能なコンポーネントを任意に組み合わせてパイプラインを構築できます。…

続きはログイン/プランで閲覧できます。